- 1、本文档共15页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
第42卷第15期中国电机工程学报Vol.42No.15Aug.5,2022
2022年8月5日ProceedingsoftheCSEEC2022Chin.Soc.forElec.Eng.5535
DOI:10.13334/j.0258-8013.pcsee.210812文章编号:0258-8013(2022)15-5535-15中图分类号:TM73文献标识码:A
基于纵向联邦强化学习的居民社区综合能源系统
协同训练与优化管理方法
陈明昊,孙毅,胡亚杰,刘春蕾²?,庞鹏飞²,谢志远3
(1.华北电力大学电气与电子工程学院,北京市昌平区102206;
2.国网河北省电力有限公司保定供电分公司,河北省保定市071000;
3.华北电力大学(保定)电气与电子工程学院,河北省保定市071000)
TheCollaborativeTrainingandManagement-optimizedMethodforResidentialIntegrated
EnergySystemBasedonVerticalFederatedReinforcementLearning
CHENMinghao,SUNYi,HUYajie,LIUChunlei?,PANGPengfei?,XIEZhiyuan?
(1.SchooloflectricalandEectronicEngineering,NorthChinaElectricPowerUniversty,ChangpingDistrict,Bejing226,Chin
2.BaodingPowerSupplyCompany,StateGridHebeiElectricPowerCompanyLimited,Baoding071000,HebeiProvince,China
3.SchoolofElectricalandElectronicEngineering,NorthChinaElectricPowerUniversity,Baoding07000,HebeiProvince,China
ABSTRACT:Theabilityofreal-timemanagementfor摘要:电、热、气等能源系统的实时管理能力关系到居民社
electricity,heat,andgasenergysystemiscloselyrelatedto区用能需求能否得到充分满足。该文首先基于深度Q网络
whethertheenergydemandofresidentialcommunitycouldnot(deepQ-learningnetwork,DQN)强化学习算法建立了一种综
bemet.Thispaperfirstcreatedanenergymanagement-合考虑居民社区实时负荷大小、能源销售与采购价格的能源
optimizedmodelwhichcomprehensivelyconsideringthe系统优化管理模型。其次,该文面向不同能源系统之间的数
real-timeenergydemand,energypurchasingandsellingprice据壁垒现象,提出一种基于纵向联邦学习技术的居民社区综
ofenergysystembasedontheDeepQ-learningnetwork合能源系统协同训练方法。该方法能够在3种能源系统DQN
algorithm.Besides,focusedonthedatabarriersphenomenon优化管理模型的训练过程中,通过交互DQN优化管理模型
betweenthedifferentenergysystems,itprovidedacooperative的网络梯度等参数信息来提升模型的训练速度。最后,算例
trainingmethodforreside
文档评论(0)